AI и деньги · Часть 1

Компании научились с помощью AI делать сотрудников быстрее. Теперь нужно превратить эту производительность в финансовый результат.

*Подготовлено RD Analytics*

В середине августа The Economist опубликовал довольно едкое описание корпоративной AI-лихорадки.

Сначала руководители требовали использовать искусственный интеллект буквально везде. Появились AI-KPI, рейтинги использования и даже термин tokenmaxxing — стремление использовать как можно больше AI-токенов.

А затем руководители вспомнили о бюджетах.

Компании уже умеют считать пользователей, запросы к моделям и сэкономленные часы. Теперь приходится считать деньги.

AI увеличивает производительность сотрудников. Но это не гарантирует финансовый рост компании.

Сто тысяч сэкономленных часов

Представим компанию с тысячей офисных сотрудников.

Корпоративный AI-инструмент стоит $20 в месяц на человека.

Лицензии обходятся в:

$240 000 в год.

Допустим, каждый сотрудник благодаря AI экономит два часа в неделю.

Получается примерно:

100 000 высвобожденных рабочих часов в год.

На презентации для совета директоров цифра выглядит отлично.

Но где эти деньги?

Если зарплаты и штат не изменились, а выручка не выросла, сто тысяч сэкономленных часов ещё не означают финансовую экономию.

Освободившееся время могло превратиться в дополнительные письма, презентации, совещания или другую работу.

Сотрудник стал производительнее. Компания — не обязательно.

От использования AI до ROI

Путь от покупки AI до денег можно представить так:

Adoption → Productivity → Operational impact → Financial impact → ROI

10 000 сотрудников получили AI — adoption.

Задачи выполняются на 20% быстрее — productivity.

Обработка заявки сократилась с 40 до 25 минут — operational impact.

Компания обслуживает на 20% больше клиентов тем же штатом — financial impact.

После сопоставления результата со всеми затратами — лицензиями, моделями, токенами, интеграцией, инфраструктурой, данными, безопасностью и обучением — появляется ROI.

Количество пользователей и сэкономленных часов само по себе ещё не говорит, сколько денег заработала компания.

AI может ускорить сотрудника, не изменив процесс

Представим обычный корпоративный workflow.

Сотрудник получает данные, работает в Excel, готовит документ, отправляет его руководителю, ждёт согласования, переносит данные в ERP. Затем другой сотрудник всё проверяет.

Теперь первому сотруднику дают Copilot.

Документ готовится на 40% быстрее.

Но согласования остались прежними. Данные всё ещё переносятся вручную. Проверка и принятие решений занимают столько же времени.

AI ускорил одну задачу, почти не изменив весь процесс.

Это индивидуальная оптимизация внутри коллективной неэффективности.

Отсюда и разрыв между ростом производительности отдельных сотрудников и гораздо менее заметным эффектом на P&L.

Три уровня корпоративного AI

Корпоративные внедрения можно условно разделить на три уровня.

Первый — AI помогает человеку: письма, презентации, документы, код, отчёты.

Второй — AI автоматизирует задачу: обращения клиентов, проверку договоров, классификацию документов, отчётность, анализ транзакций.

Третий — AI перестраивает процесс.

Вместо:

человек → AI → Excel → письмо → согласование → ERP → другой человек

возникает:

данные → AI → решение → действие

Человек подключается к исключениям, сложным случаям и решениям, требующим ответственности.

Именно на третьем уровне начинает существенно меняться экономика.

Но для этого недостаточно подписки на LLM. Нужны данные, интеграции, governance, новые права принятия решений, KPI и иногда изменение организационной структуры.

20% компаний получают 74% отдачи

Исследование PwC среди более тысячи руководителей крупных компаний по всему миру показывает, насколько неравномерно распределяется финансовый эффект AI.

Верхние 20% компаний концентрируют 74% измеренной AI-driven отдачи.

Компании-лидеры вдвое чаще перестраивают workflows вокруг AI, в два-три раза чаще используют его для поиска возможностей роста и изменения бизнес-модели и в 2,8 раза чаще увеличивают количество решений без непосредственного участия человека.

BCG получает похожий сигнал.

В исследовании среди 152 CEO компаний с выручкой от $500 млн лишь 14% организаций чётко определяют P&L-эффект для всех AI-инициатив.

При этом компании с наиболее сильными результатами примерно в семь раз чаще перестраивают workflows и бизнес end-to-end.

Закономерность достаточно понятна:

купить AI проще, чем перестроить вокруг него компанию.

Где появляются деньги

Высвобождённая благодаря AI производительность может превращаться в финансовый результат через четыре основных канала.

1. Меньше затрат

Прежний объём работы требует меньше ресурсов: сокращаются расходы на труд, подрядчиков или будущий найм.

Это необязательно означает массовые увольнения.

2. Больше выпуска

Те же сотрудники обслуживают больше клиентов, проводят больше сделок, пишут больше кода или обрабатывают больше заявок.

Но дополнительный объём должен быть востребован рынком.

3. Более качественные решения

AI способен улучшать pricing, управление запасами, обслуживание оборудования, распределение капитала, выявление мошенничества и производственные решения.

Даже небольшое улучшение таких показателей может дать значительно больше денег, чем стоимость сэкономленных рабочих часов.

4. Новая выручка

AI позволяет создавать персонализированные сервисы, AI-консультантов, автоматизированные исследования и продукты, которые раньше были слишком дорогими или технически невозможными.

Здесь главным показателем становится новая выручка.

Headcount — слишком узкая мера

ROI от AI часто пытаются считать через сокращение людей.

Было сто сотрудников. Теперь тот же объём могут делать восемьдесят. Зарплаты двадцати человек — экономический эффект.

Такой расчёт возможен, но он охватывает только один канал.

Экономист Stanford Эрик Бриньолфссон предлагает смотреть шире — на output: качество, обслуживание клиентов, новые продукты и другие результаты бизнеса.

AI может увеличить выпуск завода, улучшить оценку кредитного риска или снизить товарные запасы без сокращения штата.

А если результат просто запаздывает?

Здесь появляется сильный контраргумент — J-кривая производительности.

Технологии общего назначения редко дают максимальный эффект сразу.

Сначала компании строят инфраструктуру, обучают сотрудников, меняют процессы и организацию. Экономический результат появляется позже.

Так происходило с электричеством. Простая замена паровой машины электромотором почти не меняла производительность фабрики. Настоящий эффект появился после перестройки самого производства.

Похожая история была с компьютерами. В 1987 году в рецензии на книгу об этом писал экономист Роберт Солоу: компьютерный век виден повсюду, кроме статистики производительности.

AI вполне может проходить похожую фазу.

Но у CFO остаётся законный вопрос:

сколько времени отсутствие результата можно объяснять J-кривой?

Год? Три? Пять?

И когда стратегическая инвестиция становится просто плохо рассчитанной?

От AI-стратегии к экономической задаче

Первый этап корпоративного AI проходил под огромным конкурентным давлением.

Советы директоров спрашивали CEO об AI. Конкуренты объявляли AI-стратегии. Технологические компании запускали новые продукты.

Поэтому многие организации начинали с вопроса:

«Как нам внедрить AI?»

Гораздо полезнее определить:

«Какой бизнес-процесс мы хотим изменить и какой финансовый результат это должно дать?»

Тогда технология становится частью экономической задачи, а не целью сама по себе.

Считать будут деньги

Первые годы генеративного AI компании соревновались в количестве лицензий, пилотов, агентов и токенов.

Теперь начинается следующая фаза.

Считать будут деньги.

AI уже способен делать сотрудников производительнее, автоматизировать задачи и улучшать решения.

Но между:

«наш сотрудник делает эту работу вдвое быстрее»

и

«наша компания стала производительнее»

лежит большая дистанция.

Компания должна решить, куда пойдёт высвобождённая производительность:

в снижение затрат, больший объём, лучшие решения или новую выручку.

Поэтому вопрос корпоративного AI в 2026 году становится жёстче:

Что компания сделала с сэкономленными часами?

Снизила затраты? Увеличила выпуск? Улучшила решения? Создала новую выручку?

Сэкономленное время превращается в деньги только тогда, когда компания умеет им распорядиться.

---

Источники

• PwC — AI Performance Study 2026 / How leading companies generate ROI from AI

https://www.pwc.com/gx/en/issues/c-suite-insights/the-leadership-agenda/roi-from-ai.html

• Boston Consulting Group — CEOs Are Starting to See Value from AI. Now Comes Execution

https://www.bcg.com/press/22july2026-ceos-cost-revenue-benefits-ai-struggling-scale

• McKinsey — Is the AI productivity story at a turning point?

https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/is-the-ai-productivity-story-at-a-turning-point

*Подготовлено RD Analytics*